RBF神经网络-非线性回归分析，matlab代码，值得学习，欢迎下载

利用RBF网络（隐含层神经单元个数和学习率等参数可在内部修改，不作为输入参数）学习和训练，并对输入的测试样本做出响应。 输入和输出维数可以多维。 实际运行，逼近y=sin(t)函数效果不错。

针对燃煤电厂 SCR 入口氮氧化物浓度测量准确性的问题，提出基于结构改进 RBF 神经网络(improved RBF neural network, IRBFNN)预测模型。采用互信息选取辅助变量作为模型的输入变量，避免变量过多或者过少造成模型精度降低；利用 K-近邻互信息估计辅助变量的延迟时间，解决时序问题；采用调整时序的辅助变量和主导变量建立结构改进的RBF 神经网络(RBFNN)预测模型；采用人工鱼群算法(artificial fish swarm algorithm, AFSA)和粒子群算法(particle swarm optimization, PSO)加速验证结构改进模型的优越性，并将两种优化算法优化能力进行分析。仿真结果表明，结构改进的 RBF 神经网络模型的均方根误差和平均绝对百分比误差明显高于原模型；AFSA 算法优化后的模型精度高于 PSO 算法，然而其需要调节的参数较多。

逐步线性回归能较好地克服多重共线性现象的发生,因此逐步回归分析是探索多变量关系的最常用的分析方法,智能算法是现代数据分析的主要方法。本文通过一个实例进行了对比研究,预测结果显示:在预测的精度上,在隐含层数目相同时,RBF径向神经网络>BP神经网络>逐步线性回归>ELM极限学习机。通过对比分析,发现神经网络方法较回归分析预测效果更好,误差相对较小。

RBF神经网络控制器，对预定曲线有良好的控制效果，误差很小。

在论述 RBF径向基神经网络基本理论的基础上 ,给出利用MATLAB 神经网络工具箱开发 RBF网络的主要函数 ,并应用于函数逼近的设计及仿真。

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.

本代码在Python中编写，适用径向基函数（RBF）算法对猫的图片进行识别。

bp,rbf神经网络C++实现，挺不错的。

RBF神经网络一共分为三层，第一层为输入层即Input Layer，由信号源节点组成；第二层为隐藏层即图中中间的黄球，隐藏层中神经元的变换函数即径向基函数是对中心点径向对称且衰减的非负线性函数，该函数是局部响应函数。因为是局部相应函数，所以一般要根据具体问题设置相应的隐藏层神经元个数；第三层为输出层，是对输入模式做出的响应，输出层是对线性权进行调整，采用的是线性优化策略，因而学习速度较快。